点云处理关键技术课件.ppt

1、第第5章章 点云处理关键技术点云处理关键技术 在逆向工程中，数据获取是点云处理的基础。高效率、高精度地采集样件的几何特征数据是逆向工程中的一个重要研究内容。由于获取的数据密度很大，在测量时受工作范围和被测件复杂度的影响较大，将多视图下的数据转化为同一坐标系后往往存在大量的冗余点。海量数据点对于曲面重建和质量检测来说是多余的，也为数据存储和后续处理带来了很大不便。因此，在满足精度的前提下对扫描数据进行采样是逆向处理和三维检测的重要工作。5.1 测量数据前期修补技术 5.1.1 点云预处理流程5.1.2 点云采样 点云采样算法优劣的衡量指标：（1）高精度。采样后点云的拟合曲面与理想曲面之间的偏差，

2、必须保证在精度允许的范围内，尽可能多的保留原始点云的特征信息；（2）快速度。采样算法速度要尽可能快，现代设计产品推陈出新速度在加快，逆向工程中若花费时间过多，势必给科研、企事业单位等带来诸多不便。即便是优秀的算法如果计算时间过长，则市场应用前景渺茫；（3）适简度。采样后点云的数据量。采样的目的就是减少点云的数据点数，在保证精度的前提下尽可能的减少数据点数。但点数太少给后续建模带来困难，因此应根据实际需要选择合适的简度。5.1.3 噪声识别与去除 1.扫描线点云 扫描线点云通常是根据被测量对象的几何形状，锁定一个坐标轴进行数据扫描得到的，它是一个平面数据点集。对于扫描线点云，常用的检查方法是将这

3、些数据点显示在图形终端上，或者生成曲线曲面，采用半交互、半自动的光顺方法对数据进行检查、调整。5.1.3 噪声识别与去除 2.散乱点云 对于散乱点云，点与点之间不存在拓扑关系，必须首先在点与点间建立拓扑关系。这里借助于三角网格模型来建立散乱点云数据的拓扑关系。考虑到误差点具有较高的局部特性和极端特性，可根据以下两个简单的判断法则来识别：三角面片的纵横比和局部顶点方向曲率。其中，三角面片的纵横比定义为最长边和最短边的长度的比值。5.1.3 噪声识别与去除3）网格化点云光达点云数据三维网格化的概念是，将每笔点云数据的集合看成是一张三维的影像，而为了利用影像处理的技术，则必须在点云所处的坐标系内进行

4、规则的三维网格切割，且网格切割的坐标系三轴与物空间坐标系的三轴一样同为右旋坐标系统 5.1.4数据压缩，精简 1.三坐标激光扫描仪 三坐标激光扫描仪的激光束可以分为点状和条纹状，条纹状激光束成线形。所谓条纹，指在物体表面的几个点可以被同时测量。激光扫描设备可以按机构的不同配置分类，设备的选择主要根据被扫描零件的特性来作决定。当激光头扫描物体时，射线被CCD相机感应并以大密度的像素存储起来，这些信息通过图像处理和三角化转变成三维坐标点集合。5.1.4数据压缩，精简 2.噪声点的剔除 原始数据的获取是整个工程中最为重要的一个环节，原始数据质量决定着曲面质量。一旦获得原始数据点，噪声数据也跟着产生，

5、即所谓的“瑕点”。5.1.4数据压缩，精简 3.数据点精简的均匀网格化 采用均匀网格化方法可以去除大量的数据点，其原理是首先把所得的数据点进行均匀网格划分，然后从每个网格中提取样本点，网格中的其余点将被去除掉。5.1.4数据压缩，精简 4.非均匀网格减少数据方法 当应用均匀网格方法的时候，某些表示零件形状的点，比如边，也许没有考虑所提供零件的形状会丢失，但它对零件的成形却尤为重要。在逆向工程技术中，精确地重现零件形状至关重要，而均匀网格方法在这方面却受到限制，因此网格尺寸能根据零件形状变化的非均匀网格方法应运而生。非均匀网格方法分为两种：单方向非均匀网格和双方向非均匀网格。应用时，可根据测量数

6、据的特征来选择。5.1.5数据补全 1.实物填无法 在测量之前，将凹边、孔及槽等区域用一种填充物填充好，要求填充表面尽量平滑、与周围区域光滑连接。填充物要求有一定的可塑性，在常温下则要求有一定的刚度特性(支持接触探头)。5.1.5数据补全 2.造型设计法 在实践中，如果实物中的缺口区域难以用实物填充，可以在模型重建过程中运用CAD软件或逆向造型软件的曲面编辑功能，如延伸（extend）、连接(connect)和插入(insert)等功能，根据实物外形曲面的几何特征，设计出相应的曲面，再通过剪裁，离散出须插补的曲面，得到测量点。5.1.5数据补全 3.曲线、曲面插值补充法 曲线、曲面插值补充法主

7、要用于插补区域面积不大，周围数据信息完善的场合。其中曲线插补主要适用于具有规则数据点或采用截面扫描测量的曲面；而曲面插补既适用于规则数据点也适用于散乱点，曲面类型包括参数曲面、B样条曲面和三角曲面等。5.1.6数据平滑 数据平滑的目的是消除测量噪声，以得到精确的模型和好的特征提取效果。采用平滑法处理方法，应力求保持待求参数所能提供的信息不变。考虑无限个节点处型值的平滑问题，平滑后的型值由原型值线性叠加而成，5.2测量数据的多视配准技术 随着测量技术以及反求工程技术的日益发展，实物模型的数字化已成为可能。首先采用测量技术将实物模型转化为计算机能够识别的点云数据，然后依据点云数据重构出实物的CAD

8、模型。但在实际的测量过程中，由于各种原因，往往不能一次测量出实物的所有表面，需要从不同的视角多次测量，然后采用匹配的方法将从不同视角得到的点云数据统一起来表达一个完整的实物点云模型。重构模型的精度在很大程度上依赖于点云模型的匹配精度。5.2.1 ICP匹配技术 1.ICP匹配问题描述 2.对压点的搜索方法 3.刚性变换求解5.2.2基于统计特征的模型匹配初值获取技术 1.点云模型统计特征分类 三维欧氏空间中刚体的位姿由个参数确定，包括个定位参数和个定向参数，由此将点云模型的统计特征分为两类：定位特征(点特征)和定向特征(矢量特征)。5.2.2基于统计特征的模型匹配初值获取技术 2.点云模型统计

9、特征提取 点云模型统计特征的提取依赖于点云模型中所对应的形状特征。形状特征可简单地分为3类：二次曲面，包括平面、球面、柱面和锥面；规则扫掠面，包括拉伸面和旋转面；自由曲面。二次曲面和规则扫掠面又统称为规则形状特征。5.2.2基于统计特征的模型匹配初值获取技术 3.基于统计特征的模型匹配 实物对象从两个不同视角得到的点云模型分别为和，与匹配，是指固定模型(固定模型)调整并约束模型(自由模型)的6个自由度，使其与位姿一致的过程。依据统计特征匹配模型与，是指调整模型中的统计特征与模型中对应的统计特征重合或一致，使得模型的6个自由度部分或全部被约束。5.2.3基于扩展高斯球的模型匹配初值获取技术 1.

10、扩展高斯球的建立 由于点云数掘属于三维空间域，所以基于同样原理建立的点云数据高斯图就变成了高斯球，为了使高斯球的信息能够满足配准的要求，将高斯球的端点附加点云数据的曲率信息，这样高斯球上每个端点既包含点云数据的法矢信息，也包含其曲率信息，所以称为扩展高斯球。建立点云数据的扩展高斯球需要法矢信息和曲率信息，对点云数据的法矢量和点云数据曲率进行估计，其计算过程如下所述。5.2.3基于扩展高斯球的模型匹配初值获取技术 2.基于扩展高斯球模板匹配的对应点建立 通过高斯映像图进行曲面特征匹配。首先将曲面上每一点的主曲率方向矢量(包括最大及最小主曲率方向的两个矢量统称为主方向)进行单位化，并将主方向的起点

11、平移到单位球的球心，主方向的矢端落在球面上，从而形成了主方向的高斯映像，其过程与本文的扩展高斯球的建立过程相同。由于端点包括两处矢量信息，所以对于母线为自由曲线的旋转面，其中一个方向的矢量信息分布在一个圆上，而另一个方向的矢量信息则散布在球面上，通过快速聚类分析，可以从一个曲面的高斯映像图中找出包含旋转曲面的信息，从而完成特定曲面的特征匹配。5.2.3基于扩展高斯球的模型匹配初值获取技术 3.点云数据与CAD模型对应点的粗配准 三维点云数据的坐标变换包括平移、旋转，因为在变换过程中要保持点云数据所代表的几何形体不变，所以变换中的比例和错切变换就要避免。因为3个线性无关点可以表示一个完整的坐标系

12、，因此可以用3对匹配点进行粗配准。5.2.4 层次聚类法 层次聚类算法包括2种形式：凝聚式算法和分裂式算法。凝聚式算法是以“自底向上”的方式进行的。首先将每个样本作为一个聚类，然后合并相似性最大的聚类为一个大的聚类，直到所有的聚类都被融合成一个大的聚类。5.2.4 层次聚类法5.2.4 层次聚类法 层次聚类算法，也称为树聚类算法，按照聚类方式的不同主要可以分为全局聚类和局部聚类算法等。其目标是针对具有个样本的集合，通过相似性函数计算样本间的相似性并构成相似性矩阵；再根据样本间的相似性矩阵把样本集组成一个分层结构，产生一个从1到的聚类序列。该序列具有二叉树的形式，即每个树的结点有两个分支，从而使

13、得聚类结果构成样本集的系统树图5.3测量数据可视化分析技术测量数据可视化分析技术 5.3.1 曲率分析 曲率估算方法分为数值法和解析法两种。数值法首先要求将点云数据三角化，基于三角网格计算测量点的主曲率或主方向。数值法在处理大规模的点云数据时，将耗费大量的系统资源用于构建并储存三角网格和网格间的拓扑关系，这是数值法效率不高的主要原因。解析法的思路与数值法不同，其首先在局部坐标系内拟合一张解析曲面，然后通过曲面的一阶或二阶导数估算曲率。坐标转换法是应用较为广泛的一种解析法，这种方法采用的抛物面虽然表达简单，拟合速度快，但受曲面属性所限，只能被用来计算单个点的曲率，要估算点云数据中的每一个点的曲率

14、则需要大量的拟合计算，效率较低。5.3.3点云网格化 网格化实体模型通常是将数据点连接成三角面片，在某些应用场合上用网格化实体模型代替曲面模型能简化造型过程，获得较高的效率，快速原型技术和部分CAM系统也可用网格化实现加工。5.3.3点云网格化 1Bowyer算法 2Watson算法 3换边法与换面法5.4测量数据分割技术 数据分割是根据组成实物外形曲面的子曲面类型，将属于同一子曲面类型的数据成组，将全部数据划分成代表不同曲面类型的数据域，后续的曲面模型重建时，先分别拟合单个曲面片，再通过曲面的过渡、相交、裁减、倒圆等手段，将多个曲面“缝合”成一个整体，获得重建模型。5.4.1散乱数据的自动分

15、割散乱数据的自动分割 方法由3步组成：建立一个三角网格曲面，目的是在离散数据点中建立清晰的拓扑关系，相邻的拓扑进一步优化来建立二阶的实物几何；对无序的网格应用基于曲率的边界识别法来识别切矢不连续的尖锐边和曲率不连续的光滑边；最终，用抽取的边界来分割网格面片构成组。5.4.1散乱数据的自动分割散乱数据的自动分割 多域构建(Manifold Domain Construction)、边界识别(Border Detection)和网格面片成组(Mesh Patch Grouping)。5.4.2基于点云几何属性的特征区域自动分割方法 基于点云几何属性的特征区域自动分割方法，该方法首先通过划分三维空间

16、栅格建立散乱数据点的拓扑关系，而后利用高斯球和主曲率坐标系识别栅格的特征属性，最后基于特征相似性实现数据聚类，分离特征区域。该算法可识别包括平面、球面、柱面、锥血、拉伸面、圆环面和直纹面在内的7种特征曲面，通过建立高斯映射和法曲率映射辅助识别上述特征。高斯映射一般也叫做高斯球和高斯映像，将曲面上所有点的法矢信息单位化，并将法矢的始端平移到单位球的球心，则法矢的终端落在单位球面上所形成的投影点构成的图像，就是高斯映射。5.4.3交互分割方法 交互分割方法即是通过人为的交互实现数据分割，具有直观、简单、方便等特点。通常在交互分割之前，一般先对点云数据进行曲率分析、三角化、渲染等操作，辅助用户判断需

17、要分割的区域，然后将点云数据旋转至合适的视角，通过交互定义分割工具(平面、封闭多边形等)分割点云数据。自动分割方法和交互分割方法各有千秋，实际中可根据需要选择不同的分割方法实现数据分割。5.4.3交互分割方法 基于点云几何属性的特征区域自动分割方法，该方法首先通过划分三维空间栅格建立散乱数据点的拓扑关系，而后利用高斯球和主曲率坐标系识别栅格的特征属性，最后基于特征相似性实现数据聚类，分离特征区域。5.5 应用实例应用实例 以国内某汽轮机厂的大型水轮机叶片作为研究对象。采用摄影测量技术和面扫描技术相结合的方法对其实施检测，扫描获得叶片的点云数据并行预处理，处理完毕的数据与工件CAD模型进行比对。叶片模型采集到的原始点云有200多万点，使用层次聚类法1/80采样后得到的点云为2.5万点，和传统三坐标测量机测量工件获得的几百个点相比，可以满足测点数量的要求。小结 数据预处理是三维建模与逆向工程中的一项重要技术环节，它决定着后续的模型重建过程能否方便、准确地进行。本章就逆向建模技术中的数据预处理理论知识进行论述，主要以逆向建模的思路为主线，逐次对数据的预处理技术展开讨论，包括数据前期的修补、数据配准技术、数据可视化分析技术以及数据分割技术。通过数据预处理，用户能够很好地进行后续的建模，可以提高后续逆向建模的质量和效率。